生成自 GPT-4o

自从我开始数据科学和机器学习的旅程以来，我一直都是 Mac 用户。

但是作为Z by HP 全球大使计划的一部分，我有幸使用到了强大的 HP 硬件，具体来说是 HP Z6 G5 塔式工作站。以下是它的配置：

• 处理器: AMD Ryzen Threadripper PRO 7965WX 24核 4.20 GHz
• 内存: 256 GB (255 GB 可用)
• 系统类型: 64位操作系统，基于 x64 处理器
• 显卡: NVIDIA RTX 6000 Ada 48 GB 4DP 显卡

我从未有过如此强大的计算能力来训练模型，所以我非常兴奋能够开始。

为了把一切都设置好，我做了一些研究和阅读，并决定写这篇文章，概述了我为了进行数据科学工作而让我的电脑运行起来所做的工作。

注意：这绝不是设置 Windows 的最佳方式，这只是个人偏好。请在评论中留下您的想法和建议！

让我们开始吧！

首先，我们需要安装 PowerShell 7。这可以通过使用 Windows 包管理器 winget 轻松完成。

    winget install --id Microsoft.Powershell --source winget  
    winget install --id Microsoft.Powershell.Preview --source winget

Windows Subsystem for Linux (WSL) 允许你在 Windows 安装旁边运行一个 Linux 发行版。下面是设置方法：

1. 在 Windows 上启用“虚拟机平台”功能：

• 前往“打开或关闭Windows功能”。
• 选中“虚拟机平台”旁边的复选框。

2. 安装 WSL:

    wsl --安装

3. 设置 WSL2 版本

    wsl --set-default-version 2

4. 检查 WSL 版本:

    wsl -l -v

1. 安装 Ubuntu:

    wsl - install -d Ubuntu

2. 运行 Ubuntu:

    wsl - 分布式 Ubuntu

3. 关闭 Ubuntu:

    wsl -t Ubuntu

4. 检查操作系统状态:

    wsl - 列出 - 详细信息

5. 退出 WSL:

    退出

在终端应用中，将 Ubuntu 设置为默认。

    sudo apt update && sudo apt upgrade

查找更多 Linux 命令

ZSH 提供了更智能的 Tab 自动补全、别名和其他功能，使其成为开发中的一款优秀 shell。

1. 安装 ZSH:

    sudo apt-get install zsh

2. 安装 Oh My Zsh:

    sh -c "$(curl -fsSL https://raw.github.com/ohmyzsh/ohmyzsh/master/tools/install.sh)"

查找 主题 和 插件 来自定义你的 ZSH 设置。

1. 生成一个新的 SSH 密钥并添加到 ssh-agent

    ssh-keygen -t ed25519 -C "你的邮箱@example.com"

2. 为你的 GitHub 账户添加一个新的 SSH 密钥

3. 配置你的用户名 和 电子邮件

    git config --global user.name "你的名字"  
    git config --global user.email "你的邮箱@example.com"

CUDA 允许你利用 NVIDIA GPU 的强大功能进行计算任务。

安装 GCC 编译器:

    sudo apt install gcc --fix-missing

nvidia

安装 Nvidia CUDA 工具包:

    sudo apt install nvidia-cuda-toolkit

检查驱动程序和 CUDA 版本：

    nvidia-smi  
    nvcc -V

我的终端输出

Mamba 是一个包管理器，可以作为 conda 的替代品，并且在解决依赖关系方面通常更快。

Miniforge 分发版 >= Miniforge3-22.3.1-0

    wget https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-x86_64.sh  
    bash Miniforge3-Linux-x86_64.sh

示例用法：创建一个新的环境并安装 JupyterLab:

    mamba create -n myjlabenv jupyterlab -c conda-forge  
    mamba activate myjlabenv  # 激活我们的环境  
    jupyter lab               # 这将启动 JupyterLab 并打开浏览器

我从 VSCode 切换到了 Cursor，因为它将 LLM 整合到整个代码库中的效果非常好。

获取 WSL VSCode 扩展以连接你的 Linux 发行版。

搜索 Nvidia 控制面板，选择“允许所有用户访问 GPU 性能计数器”

    pip install torch numpy

这就是本文的全部内容。

我听说 WSL 比较慢，现在正在考虑给我的电脑安装双系统。

在评论中告诉我，如果你有任何建议，认为我应该在我的电脑上安装其他软件！

• Bea Stollnitz — 配置 Windows 开发机器以进行数据科学
• 如何使用 WSL2 在 Windows 10/11 上创建完美的机器学习开发环境
• 如何使用 Nvidia 图形卡 (CUDA) 设置 Windows 机器以进行机器学习/深度学习
• 用您的笔记本电脑解锁数据科学潜力

务必关注bitgrit 数据科学出版物以保持更新！

想和其他数据科学家讨论数据科学和人工智能的最新进展吗？加入我们的 discord 服务器!

跟随 Bitgrit 以了解工作坊和即将举行的竞赛的最新信息！

Discord | 网站 | Twitter | LinkedIn | Instagram | Facebook | YouTube